【嵌入式AI入门日记】将 AI 模型移植到 RT-Thread 上

* N! p; I' ?- @" y, z# ]" e

以下文章来源于RTThread物联网操作系统 ，作者lebhoryi&summer

“本期我们分享的主题是如何将 AI 模型部署到嵌入式系统中。”

1 ]2 v% f# _7 e+ X7 R1 T) c

嵌入式关联 AI

$ E+ P6 N# G" M* h+ M2 I0 b

AI落地一直是一个很红火的前景和朝阳行业。我的好奇心也比较旺盛，所以关于任何嵌入式和 AI 相关的都是想尝一尝。本系列文章将带你一步一步把 AI 模型部署在嵌入式平台，移植到 RT-Thread 操作系统上，实现你从菜鸟到起飞的第一步甚至第 n 步！

4 {; K- u- ]5 }* L" s1 k

开发环境：

后续开发过程将基于 STM32H743ZI-Nucleo 开发板，并且使用 STM32CubeMX.AI 工具。它可以基于训练好的 AI Model (仅限 Keras/TF-Lite)，自动生成嵌入式项目工程(包括但是不局限于 MDK、STM32CubeIDE 等)。该工具易于上手，适合嵌入式 AI 入门开发。

STM32CubeMX 是 ST 公司推出的一种自动创建单片机工程及初始化代码的工具，适用于旗下所有 STM32 系列产品，现在其 AI 组件可以提供 AI 模型到嵌入式 C 代码的转换功能。

& @, d6 H1 b; T

1. 准备工作

1.1 安装开发环境

笔者用的操作系统是 Ubuntu 18.04。本次实验要用到如下开发工具，软件的安装过程很简单，网上都有很成熟的教程，在此不再赘述。该篇教程同样适用于 Windows 环境，实验步骤完全相同。

STM32CubeMx

STM32CubeIDE

STM32CubeProgrammer

1# Oracle 官网中下载 JavaSE JDK 压缩包
2$ sudo tar zxvf jdk-8u172-linux-x64.tar.gz -C /usr/lib/jvm
3# 将下载的JDK注册到系统中
4$ sudo update-alternatives --install /usr/bin/java java /usr/lib/jvm/jdk1.8.0_172/bin/java 300
5# 切换JDK
6$ sudo update-alternatives --config java
2 ^5 u+ Z+ V% ^2 m7# 查看JDK 版本
8$ java -version

1.2 在 PC 端搭建极简神经网络

首先将如下开源仓库克隆到本地：

Github: http://github.com/Lebhoryi/Edge_AI/tree/master/Project1

在本次实验中我选择了最简单的一个线性回归( Linear Regression)Tensor Flow2 Demo 作为示例，模型相关源文件说明如下：

· tf2_linear_regression.ipynb 内含三种不同方式搭建网络结构

· tf2_线性回归_扩展.ipynb 内含不同方式训练模型

  g  t  b) \* ^

其中，在模型搭建的时候，重新温习了一下，有三种方式（各个方式的优缺点已经放在参考文章当中，感兴趣的同学自行查阅）：

· Sequence

· 函数式 API

· 子类

后面将 AI 模型导入到 CubeMx的过程中，如果使用后两种方式生成的网络模型，将会遇到如下报错：

1INVALID MODEL: Couldn't load Keras model /home/lebhoryi/RT-Thread/Edge_AI/Project1/keras_model.h5,
2 f1 M% y+ b$ l+ Y. @2error: Unknown layer: Functional

- ^; z  ~2 @6 \+ i* p

暂时的解决方式是采用Sequence 方式搭建神经网络，训练好的 AI Model 会被保存为 Keras 格式，后缀为 .h5，例如 keras_model.h5。

示例模型我已经保存好了，大家可以直接下载该模型进行实验，下载地址如下：

http://github.com/Lebhoryi/Edge_AI/tree/master/Project1/model

7 J- v" j; y8 c1 S# F

本次示例所训练的神经网络模型结构如下：

+ d9 r* L+ V& i& ~

2. 使用 CubeMX AI 生成工程

在 CubeMX 中选择STM32H743ZI Nucleo 开发板，这里其实不限制开发板型号，常见的

2.1 打开 CubeMX

0 [; c2 ~; W3 N

2.2 安装 CUBE-AI 软件包

打开菜单栏中的 Help，选择Embedded Software Packages Manager，然后在STMicroelectronics 一栏中选择 X-CUBE-AI 插件的最新版本，安装好之后点击右下角的 Close。

在工程中导入 X-CUBE-AI 插件：

- m9 K0 k4 x7 c8 m: t

会出现如下界面：

: c3 ^6 o! a- b- z2 V$ E

8 b1 g/ M: g6 B

接下来选择用于通信的串口，这里选择串口 3，因为该串口被用于 STlink 的虚拟串口。

* u% a2 J, E2 M/ l

2.3 导入 AI 模型到工程中

将 AI 模型烧录到开发板前，需要先分析 Model，检查其是否可以被正常转换为嵌入式工程，本次实验使用的模型比较简单，分析起来也也比较快，结果如下所示：

! X- V* n' o( w; e4 V

接下来我们要在开发板上验证转换后的嵌入式工程，在这个过程中 CubeMX AI 工具会根据你导入的 AI 模型，自动生成嵌入式工程，并且将编译后的可执行文件烧录到开发板中，并通过STlink 的虚拟串口验证运行的结果。我的系统是 Ubuntu，不支持 MDK，所以在这里选择自动生成 STM32CubeIDE 工程。

3 E2 J3 \9 W# u2 }1 R9 Q

验证成功界面如下所示：

2 b! {8 I9 Q# {7 _; z; q$ S

, I/ F$ v) n! q) p2 Q+ K

2.4 生成项目工程

上一步我们只是进行了项目结果的验证，但是并没有生成项目源代码，接下来我们将生成项目工程，如下图所示：

$ h0 W; e& A8 U. B, t0 I  q4 d/ n4 O

- N8 Q  D& N) {

生成后的 Project 文件夹树如下所示：

1(base) #( 07/03/20@10:51上午 )( lebhoryi@RT-AI ):~/RT-Thread/Edge_AI@master✗✗✗
& w  Y; f( E) ^4 K) r1 ~ 2   tree -L 2 ./Project1
3./Project1
1 j. Z6 b5 Y* U, q1 T 4├── DNN  # CubeMX 生成工程路径
5│   ├── DNN.ioc  # CubeMX 类型文件
6│   ├── Drivers
# k: P2 l4 J9 U) l  ~; n" Y' O 7│   ├── Inc
: g0 J. M% W/ y' a6 g 8│   ├── Middlewares
9│   ├── network_generate_report.txt
9 W. s% G" p; a: a10│   ├── Src
2 u7 u) F# L5 n9 \0 d0 Q11│   ├── Startup
12│   ├── STM32CubeIDE
13│   ├── STM32H743ZITX_FLASH.ld
  ~, l' [5 B; r4 l. _; A14│   └── STM32H743ZITX_RAM.ld
8 L4 O) l9 j$ Z! D2 I; j5 l15├── image  # 相关图片保存文件夹
: H% y: p0 Z, |& T& z) ~! Y: u$ Q! N16│   ├── mymodel1.png   # model
17│   └── STM32H743.jpg  # H743
4 m1 p% M' ^6 a& h6 Q% l18├── model  # model 保存路径
19│   └── keras_model.h5
20├── Readme.md
; R5 Z' _, K  S! ^) R% I- R6 V  f21├── tf2_linear_regression.ipynb
' U/ ?2 b) T: w22└── tf2_线性回归_扩展.ipynb

至此，神功练成了一大半，剩下的就是代码调试的工作了。

3. 代码调试

% t  h& f1 K% L* Z

关于 STM32CubeIDE 的初步认识：基础说明与开发流程：http://blog.csdn.net/Naisu_kun/article/details/95935283

3.1 导入工程

选择 File 选项 -->import：

: v/ U' F8 @; ~7 ^! M9 I! u  s

选择先前导出工程的路径：

- |/ f( M- o* c9 J

导入成功的界面如下所示：

3 Z, G+ [& p7 S

' t: w" I8 C6 `$ J$ y

接下来就可以使用 STM32Cube IDE 来调试生成的工程了。

9 W5 p8 G  Q, a+ X" `: z

3.2 生成 bin 文件

在编译的过程中还会自动生成相应的 bin 文件，后续可以通过 stm32cubeProgramer 工具将 bin 文件烧录到开发板中。

0 J. D9 \; W  z  o$ T

3.3 烧录 .bin 文件

打开STM32CubeProgramming，点击右上角connect，然后选择Open file，选择要打开的.bin 文件。

. Y( u4 X, z% I, H* t" l

烧录成功的界面：

* x* `# t- \2 U5 u' Z* o

% w7 e2 C7 b/ }( T' f/ v- W- `

3.4 Other

在 ubuntu 系统中我们可以使用串口工具cutecom 来查看最终程序的运行结果，程序运行结果如下：

在使用 cutecom 连接串口前，记得断开 STM32Programer 和开发板的连接，否则会出现串口打开错误的情况。

- R% g1 ?; K' H7 E2 J0 Q, A

可以看到我们的 AI 模型已经在开发板上欢快地跑了起来 ，奥里给！！！

& V3 @, \* W6 u& F9 I. J; s) e

4. 参考文章

STM32CubeMX系列教程

Tensorflow 2.0 中模型构建的三种方式:

为什么图片这么模糊

赞一个

学习学习

我想问一下，我打算把运行成功的AI程序移植到我其他的程序里，发现新移植好的程序陷入了汇编指令B，也就是死循环，程序是运行到ai_platform_network_create这个创建网络的函数死了，应该是无法执行到这个函数，请问这个是什么问题呢

还要看运算速度如何。